CN111915061A - 一种道岔动作电流曲线预测方法及其故障判别方法 - Google Patents

Abstract

种道岔动作电流曲线预测方法及其故障判别方法，包括采集同一道岔连续N次正常动作曲线数据；对同一条道岔每一次动作产生的正常动作曲线提取m个时刻的电流值；对提取的正常动作曲线的同一时刻电流值进行处理，建立ARMA预测模型；基于预测模型计算道岔在第Y次(Y>N)同一时刻的电流曲线预测值；对应道岔曲线的m个时刻建立m个预测模型，得到第Y次的预测电流值；基于预测模型计算的结果绘制得到道岔动作电流曲线预测图；基于道岔动作电流预测曲线，利用相似度算法计算出道岔预测曲线的故障类型。可预测道岔下一阶段的工作状态，能够为维修提供有效的建议，完善微机监测系统的功能，提高维修效率的同时降低维修成本，提高系统的可靠性，保证行车安全。

Description

一种道岔动作电流曲线预测方法及其故障判别方法

技术领域

本发明涉及轨道交通领域，具体涉及一种道岔动作电流曲线预测方法及其故障判别方法。

背景技术

道岔是铁路信号系统的重要组成部分，道岔使列车从一股轨道转到另一股轨道，是排列列车进路和实现进路转换的关键设备，其状态直接影响着铁路运输的安全和效率。目前，我国结合微机监测系统监测道岔的动作状态及人工定期排查的方式来检修道岔。微机监测系统未能对其所监测数据进行深度挖掘，只是单一的状态监测，使得道岔在发生故障后才得以维修，且不能在道岔即将出现故障时预测故障并提前维修。工作人员定期检修的维修方式，工作量较大，不能及时的发现道岔故障，且工作效率低。因此，可采用智能道岔故障预测方法，跟信号微机监测所得的道岔动作电流曲线，预测未来道岔的状态，有针对性进行维修。

现有技术中，专利申请号2017103759811公布了一种道岔故障预测方法，通过提取道岔的代表性特征建立预测模型对特征进行预测，其问题是提取的特征不一定能够代表着曲线所隐藏的信息。所以基于所采集的道岔动作电流信息等历史数据，采用科学方法预测道岔下一阶段具体动作电流，及时发现道岔工作过程中的故障并及时采取相应的维修措施，是保证行车安全和乘客生命安全的重要举措。

发明内容

本发明提供了一种道岔动作电流曲线预测方法及其故障判别方法，基于所采集的道岔动作电流信息等历史数据，采用科学方法预测道岔下一阶段具体动作电流，及时发现道岔工作过程中的故障并及时采取相应的维修措施，是保证行车安全和乘客生命安全的重要举措。

本发明提出的一种道岔动作电流曲线预测方法，包括以下步骤：

(1)采集同一条道岔的连续N次正常动作曲线；

(2)对同一条道岔每一次动作产生的正常动作曲线提取m个时刻的电流值，共提取n次道岔动作电流值如下：

(3)对步骤(2)提取的正常动作曲线的同一时刻电流值{I_1t,I_2t,I_3t,…,I_nt}进行处理，确定ARMA预测模型所需的参数，建立ARMA预测模型；

(4)基于步骤(3)建立的预测模型计算道岔在第Y次(Y>N)同一时刻的电流曲线预测值I_Yt；

(5)重复步骤(3)和(4)，对应道岔曲线的m个时刻分别建立m个预测模型，得到第Y次的电流预测值为{I_Y1,I_Y2,I_Y3,…,I_Ym}；

(6)基于步骤(5)预测模型计算的结果绘制得到道岔第Y次的动作电流曲线。

本发明中，步骤(1)中所述的采集同一道岔连续N次正常动作曲线为从微机监测系统中提取的道岔动作曲线数据。

本发明中，步骤(3)中所述的建立的ARMA预测模型，预测第Y次道岔动作曲线某一时刻电流值，具体步骤为

(3a)：分别选取同一道岔所有动作曲线同一时刻的电流值作为模型输入样本，组成电流序列I_t，计算电流序列I_t中的样本自相关系数和偏相关系数的值，具体的，采集同一道岔所有动作电流曲线第i个时刻所有的电流值，则电流序列I_t为{I_1i,I_2i,I_3i,…,I_ni}，计算电流序列{I_1i,I_2i,I_3i,…,I_ni}中的样本自相关系数和偏相关系数的值；

(3b)：根据步骤(3a)所求自相关系数和偏相关系数，选择合适的阶数p和q构建ARMA预测模型，公式(1)如下：

X_t＝α₁X_t-1+α₂X_t-2+…+α_pX_t-p+ε_t-β₁ε_t-1-β₂ε_t-2-…-β_qε_t-q (1)

其中，

α_p是自相关系数，p为自回归模型的阶次，表示滞后的时间周期；

X_t,t＝k-1,k-2,...,k-p是t时刻的电流值，p为自回归模型的阶次，表示滞后的时间周期；

β_q是滑动平均系数，q是滑动平均模型的阶次；

ε_t-q为各阶的残差；

(3c)：根据步骤(3b)选择所构建的ARMA预测模型(公式1)的多个p和q的值，建立多个ARMA拟合模型；

(3d)：依据平均绝对误差MAE确定步骤(3c)所构建的ARMA预测模型的p和q的最优值，找到最优的ARMA模型，所述MAE采用如下公式(2)：

其中，N为采集的电流值个数，Y_pred(t)为ARMA模型输出电流值，Y_real(t)为电流实际值；

(3e)：依据步骤(3d)选取的平均绝对误差最小的ARMA模型，得到最优的ARMA预测模型，如公式(3)所示，

X_t＝α₁X_t-1+α₂X_t-2+…+α_pX_t-p+ε_t-β₁ε_t-1-β₂ε_t-2-…-β_qε_t-q (3)

第i个时刻的道岔动作电流曲线数据预测结束。

进一步地，步骤(3a)所述的选取每个时刻的电流值作为模型输入样本组成的电流序列{I_t}，具体步骤为：

(3a1)输入某个时刻的电流值作为模型输入样本组成的电流序列{I_t}；

(3a2)按照如下公式计算差分序列

(3a3)判断

是否平稳，如不平稳，则d＝d+1，跳转至步骤(3a2)，否则进入步骤(3a4)；

(3a4)计算电流序列{I_t}中的样本自相关系数

和偏相关系数PACF的值，确定预测模型中p和q的值。

本发明中，步骤(4)中所述的基于步骤(3)预测模型计算道岔在第Y次(Y>N)同一时刻的电流曲线预测值，具体为：根据ARMA最优预测模型得到预测的第Y次第t时刻的道岔动作电流曲线数据I_Yt。

本发明中，步骤(6)所述的基于预测模型计算的结果绘制道岔动作电流曲线预测图，具体为：基于预测电流值采用直接描点的方式绘制道岔预测电流曲线。

本发明中，道岔动作电流曲线预测方法的应用，其特征在于用于道岔动作的故障判别，包括以下步骤：

(7a)获取道岔的每次动作曲线

(7b)将所获取的每次道岔动作曲线分为正常曲线和故障曲线；

(7c)对于每一类正常曲线与故障曲线，分别选择一条特征最具代表性的曲线为此类曲线的正常代表曲线与故障代表曲线；

(7d)利用相似度算法计算道岔预测曲线与正常代表曲线的相似度1、道岔预测曲线与故障代表曲线的相似度2，相似度算法为动态时间规整算法。

所述相似度算法为动态时间规整算法，具体为：

(7d1)道岔预测曲线表示为T＝{T(1),T(2),……,T(n),……,T(N)}，n为时间序列的时序标号，n＝1位时间序列起点，n＝N为时间序列终点，T(n)为时间序列的电流值。

(7d2)正常代表曲线与故障代表曲线可表示为R＝{R(1),R(2),……,R(m),……,R(N)}，n为时间序列的时序标号，m＝1位时间序列起点，m＝N为时间序列终点，R(m)为时间序列的电流值。

(7d3)在横轴标出待识别曲线时间序列的各个时序标号n，中期纵轴标出代表曲线时间序列的各个时序标号m，通过这些时序标号的整数坐标画出一些横纵线可形成一个网络，所有网格依次为(1,1),……,(n,m),……,(N,M)，搜索(1,1)到(N,M)的最优路径；

(7d4)路径通过(n,m)后，下一个通过的格点只能是(n,m+1)、(n+1,m)、(n+1,m+1)，选择(n,m)到下一格点的最小距离为最优路径，计算(1,1)到(N,M)的积累最小距离；

(7d5)计算待识别曲线时间序列T与代表曲线时间序列R之间的欧氏距离；

(7d6)起点(1,1)到终点(N,M)的总的积累距离为起点(1,1)到终点(N,M)的积累最小距离、待识别区县时间序列T与代表曲线时间序列R之间的欧式距离之和；

(7d7)对所述总的积累距离取反，表示待识别曲线与正常代表曲线或待识别曲线与故障代表曲线的相似度；

(7e)比较计算步骤(7d)所得相似度，如果相似度1大于相似度2，则该曲线为正常曲线，如果相似度1小于相似度2，则该曲线为故障曲线。

本发明中，道岔故障识别方法，其特征在于，步骤(7b)所述将所获取的道岔动作曲线分为正常曲线与故障曲线，所述故障曲线具体分为：启动电路断线曲线、道岔启动后突然停止转动曲线、道岔夹有异物曲线、转辙机定子转子混线曲线、自动开闭器动作不灵活曲线、转辙机启动延时曲线、锁闭电流超标曲线及道岔动作电流呈锯齿状曲线；对于每一类故障曲线，分别选取一条特征最具代表性的曲线作为该类故障曲线的代表曲线；并分别计算待识别曲线与每一类故障代表曲线的相似度；相似度最高的那一类曲线类别即为待识别曲线的故障类别。

本发明中，道岔故障识别方法，其特征在于，步骤(7c)中，对于正常曲线，选择任意一条曲线为正常代表曲线；对于每类故障曲线，选择此类故障曲线中任意一条曲线为此类故障曲线的代表曲线。

本发明的有益效果在于：

(1)在微机监测系统中采集道岔动作电流曲线，无需额外安装其它装置就可获得道岔动作电流曲线，实用性较强。

(2)使用ARMA算法，不需要对道岔动作电流曲线特征点进行提取，能够直观的体现出道岔动作电流曲线特征，从而根据动作电流曲线预测道岔故障类型。

(3)能够充分利用所获得的道岔动作电流曲线，而不再是单一的状态监测。

附图说明

发明方法可预测道岔下一阶段的工作状态，能够为维修提供有效的建议，完善微机监测系统的功能，提高维修效率的同时降低维修成本，提高系统的可靠性，保证行车安全。

为了更清楚的说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图做简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，对于本领域的普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是根据本发明实施例的道岔动作电流曲线预测方法的流程图；

图2是根据本发明实施例的第30个时刻的道岔动作电流曲线数据；

图3是根据本发明实施例的ARMA预测模型的自相关函数定阶示意图；

图4是根据本发明实施例的ARMA预测模型的偏自相关函数定阶示意图；

图5是根据本发明实施例的ARMA预测模型的129次第30个时刻的电流曲线示意图；

图6是根据本发明实施例的第129次道岔动作曲线预测电流曲线图；

图7是根据本发明实施例的道岔预测曲线与各代表曲线的相似度直方图。

具体实施方式

下面将结合附图对本发明的技术方案进行清楚。完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例，基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下，所获得的所有其他实施例，都属于本发明保护的范围。

在本发明的描述中，需要说明的是，术语“第一”“第二”“第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。

此外，下面所描述的本发明不同实施方式中所涉及的技术特征只要彼此之间未构成冲突就可以相互结合。

实施例1

在本实施例中提供了一种道岔动作电流曲线预测方法，图1是根据本发明实施例的电流曲线预测方法的流程图，如图1所示，该流程包括以下步骤：

(1)：采集同一条道岔的连续N次正常动作曲线；

(2)：对同一条道岔每一次动作产生的正常动作曲线提取m个时刻的电流值；

(3)：对步骤(2)提取的正常动作曲线的同一时刻电流值进行处理，确定ARMA预测模型所需的参数，建立ARMA预测模型；

(4)：基于步骤(3)预测模型计算道岔在第Y次(Y>N)同一时刻的电流曲线预测值；

(5)：对应道岔曲线的m个时刻建立m个预测模型，得到第Y次的预测电流值；

(6)：基于预测模型计算的结果绘制道岔动作电流曲线预测图；

通过以上步骤，基于所采集的同一道岔连续多次正常动作曲线采集科学方法得到道岔下一阶段故障预测结果以及剩余寿命预测，相比于现有技术中，通过提取曲线特征点进行道岔动作电流曲线特征点预测，上述步骤能够完整预测道岔动作电流曲线，并根据预测结果合理调整维修间隔，减低道岔事故率，提高行车安全。

下面结合一个具体的可选实施例进行说明。

本实施例中，采集了某铁路局微机监测数据一个月内道岔内动作的电流曲线，采集得到道岔每次动作时的电流值。

(一)从微机监测系统中采集同一道岔连续多次的动作电流曲线，按照时间顺序多组曲线标记为{曲线1，曲线2，…，曲线128}，128条曲线均具有172个电流值，共提取道岔动作电流值如下：

(二)如图2所示，对第30个时刻的道岔动作电流曲线提取数据{I_1,30，I_2,30，I_3,30，…，I_128,30}，得到相应的电流值为{1.58，1.73，1.75，…，1.74}。

特别地，在运用ARMA模型的前提是所要预测的电流序列在时间上是平稳的，以图形的方式显示为样本点在某一水平线上上下随机波动。所以要对输入的电流序列进行预处理，从计算的自相关函数

和偏自相关函数PACF得出处理后的序列是平稳的，如图3和图4所示。

(三)基于ARMA模型对所提取的曲线建立预测模型，具体步骤如下：

(1)：采集128条动作电流的第30个时刻的曲线电流值电流序列{I_t＝1.58,1.73,1.75，…，1.74}；

(2)：按照如下公式计算差分序列

(3)：判断

是否平稳，如不平稳，则d＝d+1，跳转至步骤(2)，否则进入步骤(4)；

(4)：计算电流序列{I_t}中的样本自相关系数

和偏相关系数PACF的值：

其中，k表示计算自相关系数的滞后阶数，n表示整个电流序列长度，

表示整个序列的电流值均值。

(5)：根据样本自相关系数

和偏相关系数PACF的性质，如图3和图4所示，选择合适的阶数p和q构建ARMA预测模型。

(6)：为道岔动作电流构建的ARMA预测模型，公式如下：

X_t＝α₁X_t-1+α₂X_t-2+…+α_pX_t-p+ε_t-β₁ε_t-1-β₂ε_t-2-…-β_qε_t-q (1)

其中，

α_p是自相关系数，p为自回归模型的阶次，表示滞后的时间周期；

X_t,t＝k-1,k-2,...,k-p是t时刻的电流值，p为自回归模型的阶次，表示滞后的时间周期；

β_q是滑动平均系数，q是滑动平均模型的阶次；

ε_t-q为各阶的残差；

(7)：为所构建的ARMA预测模型选择合适的p和q的值，根据图3和图4所示，自相关系数(ACF)在1阶后截尾，偏自相关系数(PACF)拖尾，设置模型参数p＝0，q＝1，进行模型拟合，接着同时建立多个拟合模型。

(8)：依据平均绝对误差MAE确定所构建的ARMA预测模型的p和q的最优值，，找到最优的ARMA预测模型。MAE采用如下公式：

其中，N为采集的电流值个数，Y_pred(t)为ARMA模型输出电流值，Y_real(t)为电流实际值。

(9)：当p＝0，q＝1时，MAE＝7.53，当p＝3，q＝2时，MAE＝7.18，因此设置估计值与真实值间MAE较小的p＝3，q＝2为ARMA模型的最优预测模型，进行道岔动作电流预测；

(10)：得到ARMA最优预测模型，第30个时刻的道岔动作电流曲线数据预测结束，图5所示为129条道岔第30个时刻的所有道岔动作电流值；

(11)：根据ARMA模型预测得到第129条道岔动作曲线第30个时刻的预测电流数据值为1.75；

(四)依据步骤(三)分别建立172个ARMA预测模型，得到第129次172个时刻的道岔动作电流值为{0、0、0、0.49、0.32、3.1、2.34、…、0.51、0.51、0、0、0}。

(五)按照上述步骤(四)，基于预测电流值采用直接描点的方式绘制道岔预测电流曲线，得到的预测电流曲线如图6所示。

(六)按照上述步骤(五)，基于预测得到的道岔动作曲线，获取道岔预测曲线。

(七)使用时间规整算法，计算获取的道岔预测曲线与正常代表曲线及各类故障代表曲线的距离，步骤如下：

(1)获取的道岔预测电流曲线，可表示为T＝{T(1),T(2),……,T(219)}，T(1)＝0,T(2)＝1.84684,……,T(219)＝2.29189；

(2)正常代表曲线可表示为R＝{R(1),R(2),……,R(144)}，R(1)＝0,R(2)＝5.435897,……,R(144)＝0.090598；

(3)在横轴标出道岔预测曲线时间序列的各个时序标号219，在纵轴标出代表曲线时间序列的各个时序标号144，通过这些时序标号的整数坐标，画出一些纵横线可形成一个网络，所有格点依次为(1,1),……,(219,144)，搜索(1,1)到(219,144)的最优路径；

(4)路径通过(1,1)后，下一个通过的格点只能是(1,2)、(2,1)、(2,2)，计算可得(1,1)到(219,144)的积累最小距离为85.78232；

(5)计算可得道岔预测曲线时间序列T与正常代表曲线时间序列R之间的欧氏距离为0.28344；

(6)起点(1,1)到终点(219,144)的总的积累距离为86.06576；

计算道岔预测曲线与各类故障代表曲线的距离方法同上所述，所得待识别功率曲线与启动电路断线曲线、道岔启动后突然停止转动曲线、道岔夹有异物曲线、自动开闭器动作不灵活曲线及锁闭电流超标曲线的距离分别为886.71484、87.18578、1.00232、103.44763、140.06902。

(八)对道岔预测曲线与正常代表曲线与各类故障代表电流曲线的距离分别取反为0.01162、0.00112、0.01147、0.99769、0.00967、0.00714，表示待识别曲线与正常代表曲线、启动电路断线曲线、道岔启动后突然停止转动曲线、道岔夹有异物曲线、自动开闭器动作不灵活曲线及锁闭电流超标曲线的相似度分别为0.01162、0.00112、0.01147、0.99769、0.00967、0.00714；

(九)比较道岔预测曲线与正常代表曲线及各类故障代表曲线的相似度，可得道岔预测曲线与道岔夹有异物曲线相似度最高，则道岔预测曲线类别为道岔夹有异物曲线。

图7是根据本发明实施例中道岔预测曲线与各代表曲线的相似度直方图，从图7中可以看出，利用动态时间规整算法，计算道岔预测曲线与正常曲线和5种故障曲线的相似度，道岔预测曲线与道岔夹有异物故障的相似度最高，故判断出待识别曲线的故障类型为道岔夹有异物。经验证，判断结果正确。

本领域内的技术人员应该明白，本发明的实施例可提供为方法。系统或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

显然，上述实施例仅仅是为清楚地说明所作的举例，而并非对实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引伸出的显而易见的变化或变动仍处于本发明创造的保护范围之中。

Claims (9)

1.一种道岔动作电流曲线预测方法，其特征在于，包括以下步骤：

(1)采集同一条道岔的连续N次正常动作曲线；

(2)对同一条道岔每一次动作产生的正常动作曲线提取m个时刻的电流值，共提取n次道岔动作电流值如下：

(3)对步骤(2)提取的正常动作曲线的同一时刻电流值{I_1t，I_2t，I_3t，…，I_nt}进行处理，

确定ARMA预测模型所需的参数，建立ARMA预测模型；

(4)基于步骤(3)建立的预测模型计算道岔在第Y次(Y＞N)同一时刻的电流曲线预测值I_Yt；

(5)重复步骤(3)和(4)，对应道岔曲线的m个时刻分别建立m个预测模型，得到第Y次的电流预测值为{I_Y1，I_Y2，I_Y3，...，I_Ym}；

(6)基于步骤(5)预测模型计算的结果得到道岔第Y次的动作电流曲线。

2.根据权利要求1所述的道岔动作电流曲线预测方法，其特征在于，步骤(1)中所述的采集同一道岔连续N次正常动作曲线为从微机监测系统中提取的道岔动作曲线数据。

3.根据权利要求1所述的道岔动作电流曲线预测方法，其特征在于，步骤(3)中所述的建立的ARMA预测模型，以预测第Y次道岔动作曲线某一时刻电流值为例，具体步骤为；

(3a)：采集同一道岔所有动作曲线同一i时刻的电流值作为模型输入样本，样本组成电流序列I_t，计算电流序列I_t中的样本自相关系数和偏相关系数的值，电流序列I_t为{I_1i，I_2i，I_3i，…，I_ni}，计算电流序列{I_1i，I_2i，I_3i，…，I_ni}中的样本自相关系数和偏相关系数的值；

(3b)：根据步骤(3a)所求自相关系数和偏相关系数，选择合适的阶数p和q构建ARMA预测模型，公式(1)如下：

X_t＝α₁X_t-1+α₂X_t-2+…+α_pX_t-p+ε_t-β₁ε_t-1-β₂ε_t-2-…-β_qε_t-q (1)

其中，

α_p是自相关系数，p为自回归模型的阶次，表示滞后的时间周期；

X_t，t＝k-1，k-2，...，k-p是t时刻的电流值，p为自回归模型的阶次，表示滞后的时间周期；

β_q是滑动平均系数，q是滑动平均模型的阶次；

ε_t-q为各阶的残差；

(3c)：根据步骤(3b)选择所构建的ARMA预测模型(公式1)的多个p和q的值，建立多个ARMA拟合模型；

(3d)：依据平均绝对误差MAE确定步骤(3c)所构建的ARMA预测模型的p和q的最优值，找到最优的ARMA模型，所述MAE采用如下公式(2)：

其中，N为采集的电流值个数，Y_pred(t)为ARMA模型输出电流值，Y_real(t)为电流实际值；

(3e)：依据步骤(3d)选取的平均绝对误差最小的ARMA模型，得到最优的ARMA预测模型，如公式(3)所示，

X_t＝α₁X_t-1+α₂X_t-2+…+α_pX_t-p+ε_t-β₁ε_t-1-β₂ε_t-2-…-β_qε_t-q (3)

第i个时刻的道岔动作电流曲线数据预测结束。

4.根据权利要求1所述的道岔动作电流曲线预测方法，其特征在于，步骤(4)中所述的预测模型计算道岔在第Y次(Y＞N)同一时刻的电流曲线预测值，具体为：根据ARMA最优预测模型得到预测的第Y次第t时刻的道岔动作电流曲线数据I_Yt。

5.根据权利要求1所述的道岔动作电流曲线预测方法，其特征在于，步骤(6)所述的基于预测模型计算的结果绘制道岔动作电流曲线预测图，具体为：基于预测电流值采用坐标轴数据点连线的方式绘制道岔预测电流曲线。

6.根据权利要求3所述的建立的ARMA预测模型，其特征在于，步骤(3a)所述的选取每个时刻的电流值作为模型输入样本组成的电流序列I_t＝{I_1i，I_2i，I_3i，…，I_ni}，具体步骤为：

(6a)输入某个时刻的电流值作为模型输入样本组成的电流序列I_t；

(6b)按照如下公式(4)计算差分序列

(6c)判断

是否平稳，如不平稳，则d＝d+1，跳转至步骤(6b)，否则进入步骤(6d)；

(6d)计算电流序列I_t中的样本自相关系数和偏相关系数的值。

7.一种权利要求1所述的道岔动作电流曲线预测方法的应用，其特征在于用于道岔动作的故障判别，包括以下步骤：

(7a)获取道岔的每次动作曲线；

(7b)将所获取的每次道岔动作曲线分为正常曲线和故障曲线；

(7c)对于每一类正常曲线与故障曲线，分别选择一条特征最具代表性的曲线为此类曲线的正常代表曲线与故障代表曲线；

(7d)利用相似度算法计算道岔预测曲线与正常代表曲线的相似度1、道岔预测曲线与故障代表曲线的相似度2，相似度算法为动态时间规整算法。

所述相似度算法为动态时间规整算法，具体为：

(7d1)道岔预测曲线表示为T＝{T(1)，T(2)，......，T(n)，......，T(N))，n为时间序列的时序标号，n＝1位时间序列起点，n＝N为时间序列终点，T(n)为时间序列的电流值。

(7d2)正常代表曲线与故障代表曲线可表示为R＝{R(1)，R(2)，……，R(m)，……，R(N)}，n为时间序列的时序标号，m＝1位时间序列起点，m＝N为时间序列终点，R(m)为时间序列的电流值。

(7d3)在横轴标出道岔预测曲线时间序列的各个时序标号n，在纵轴标出代表曲线时间序列的各个时序标号m，通过这些时序标号的整数坐标画出一些横纵线可形成一个网络，所有网格依次为(1，1)，……，(n，m)，……，(N，M)，搜素(1，1)到(N，M)的最优路径；

(7d4)路径通过(n，m)后，下一个通过的格点只能是(n，m+1)、(n+1，m)、(n+1，m+1)，选择(n，m)到下一格点的最小距离为最优路径，计算(1，1)到(N，M)的积累最小距离；

(7d5)计算道岔预测曲线时间序列T与代表曲线时间序列R之间的欧氏距离；

(7d6)起点(1，1)到终点(N，M)的总的积累距离为起点(1，1)到终点(N，M)的积累最小距离、待识别区县时间序列T与代表曲线时间序列R之间的欧式距离之和；

(7d7)对所述总的积累距离取反，表示待识别曲线与正常代表曲线或待识别曲线与故障代表曲线的相似度；

(7e)比较计算步骤(7d)所得相似度，如果相似度1大于相似度2，则该曲线为正常曲线，如果相似度1小于相似度2，则该曲线为故障曲线。

8.根据权利要求7所述的道岔预测曲线故障识别方法，其特征在于，步骤(7b)所述将所获取的道岔动作曲线分为正常曲线与故障曲线，所述故障曲线具体分为：启动电路断线曲线、道岔启动后突然停止转动曲线、道岔夹有异物曲线、转辙机定子转子混线曲线、自动开闭器动作不灵活曲线、转辙机启动延时曲线、锁闭电流超标曲线及道岔动作电流呈锯齿状曲线；对于每一类故障曲线，分别选取一条特征最具代表性的曲线作为该类故障曲线的代表曲线；并分别计算待识别曲线与每一类故障代表曲线的相似度；相似度最高的那一类曲线类别即为道岔预测曲线的故障类别。

9.根据权利要求7所述的道岔预测曲线故障识别方法，其特征在于，步骤(7c)中，对于正常曲线，选择任意一条曲线为正常代表曲线；对于每类故障曲线，选择此类故障曲线中任意一条曲线为此类故障曲线的代表曲线。

Images